CN114865664A - 一种需求响应参与配电网三相不平衡与碳排放治理方法 - Google Patents

一种需求响应参与配电网三相不平衡与碳排放治理方法 Download PDF

Info

Publication number
CN114865664A
CN114865664A CN202210581792.0A CN202210581792A CN114865664A CN 114865664 A CN114865664 A CN 114865664A CN 202210581792 A CN202210581792 A CN 202210581792A CN 114865664 A CN114865664 A CN 114865664A
Authority
CN
China
Prior art keywords
power
distribution network
power distribution
load
carbon emission
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210581792.0A
Other languages
English (en)
Inventor
张雪岑
韩青青
钱俊良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liyang Research Institute of Southeast University
Original Assignee
Liyang Research Institute of Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liyang Research Institute of Southeast University filed Critical Liyang Research Institute of Southeast University
Priority to CN202210581792.0A priority Critical patent/CN114865664A/zh
Publication of CN114865664A publication Critical patent/CN114865664A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/26—Arrangements for eliminating or reducing asymmetry in polyphase networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种需求响应参与配电网三相不平衡与碳排放治理方法，包括以下步骤：进行日前的负荷及新能源出力预测；模拟用户行为形成柔性负荷功率数据，基于预测出的用户总负荷基础上获取用户基本负荷；考虑负荷运行条件约束构建电动汽车与空调的柔性负荷模型；构建配电网三相不平衡指标，基于不同能源碳排放因子构建配电网碳排放指标；融合配电网三相不平衡治理目标与降低配电网碳排放量目标构建多目标优化模型；通过启发式优化算法联合配电网潮流仿真软件进行优化问题的求解，以降低配电网网损与碳排放。本发明充分利用需求响应资源，实现配电网碳排放减排与配电网三相不平衡度的降低，推动双碳政策在配电网中的落地，具有重要价值。

Description

一种需求响应参与配电网三相不平衡与碳排放治理方法
技术领域
本发明涉及电力系统需求响应技术领域，具体涉及一种需求响应参与配电网三相不平衡与碳排放治理方法。
背景技术
从能源消费侧的路径来看，强化能耗双控就是要坚持节能优先，把节能指标纳入生态文明、绿色发展等绩效评价体系，合理控制能源消费总量，重点控制化石能源消费。加强能效管理就是加快冶金、化工等高耗能行业用能转型，提高建筑节能标准。以电为中心，推动风光水火储多能融合互补、电气冷热多元聚合互动，提高整体能效。加快电能替代就是支持“以电代煤”、“以电代油”，加快工业、建筑、交通等重点行业电能替代，持续推进乡村电气化，推动电制氢技术应用。挖掘需求侧响应潜力就是构建可中断、可调节多元负荷资源，完善相关政策和价格机制，引导各类电力市场主体挖掘调峰资源，主动参与需求响应。
配电网拥有极大数量的电力设备，并占整个供电系统投资60％的及运行成本的20％，而且有13％的电能损失是在配电网中发生的，80％用户停电是由于配电网的原因引起的。对用户侧进行深入挖掘可以更好掌握用电结构，用电趋势，为政府、供电公司、用电企业提供数据或决策支持。配电网可靠性与电能质量直接关系到国民经济和人们的日常生活，其建设的经济性直接关系到供电企业的健康发展。
传统的配电网三相不平衡治理通常通过控制新能源、人工对负荷进行调相、增加电压控制装置实现，尚未有利用需求响应资源进行配电网三相不平衡治理的策略方案。此外，如何在实现配电网三相不平衡治理的同时降低碳排放也是亟需解决的问题。
发明内容
本发明公开了一种需求响应参与配电网三相不平衡与碳排放治理方法。属于电力系统需求响应技术领域。所述方法包括以下步骤：首先，进行日前的负荷及新能源出力预测。模拟用户行为形成柔性负荷功率数据，基于预测出的用户总负荷基础上获取用户基本负荷。其次，考虑负荷运行条件约束构建电动汽车与空调的柔性负荷模型。接着，构建配电网三相不平衡指标，基于不同能源碳排放因子构建配电网碳排放指标。然后，融合配电网三相不平衡治理目标与降低配电网碳排放量目标构建多目标优化模型。最后，通过启发式优化算法联合配电网潮流仿真软件进行优化问题的求解，以降低配电网网损与碳排放。
本发明所要解决的技术问题是：
本发明提供的一种需求响应参与配电网三相不平衡与碳排放治理方法，可在双碳背景下，充分利用需求响应资源，在不违反用户对于负荷使用的舒适度要求的前提下同时实现配电网碳排放减排与配电网三相不平衡治理，推动双碳政策在配电网中的落地，并降低配电网网损。
本发明为解决上述技术问题采用以下技术方案：
S1、首先，进行日前的负荷及新能源出力预测。
(1.1)基于家庭用户的总功率数据进行负荷预测。步骤如下：首先进行用户每天每小时一个点的功率数据处理，对于缺失值选用前后时刻的均值进行缺失值填补，并进行数据归一化。数据归一化公式如下：
Figure BDA0003664198530000021
其中Xnorm为标准化后的值，X为当前值，Xmax为数据中的最大值，Xmin为数据中的最小值。
选用深度学习LSTM网络模型进行训练。其中，训练数据为一周ti～ti+7连续的7*24个点的功率数据，测试数据为一周之后的第一天ti+8的24个整点的功率数据。模型训练完成后，对需要进行控制的日期进行日前负荷数据的预测。
(1.2)本权利要求所指新能源指的是光伏发电，对光伏出力的功率数据进行预测。光伏数据指的是每天每小时的光伏输出功率。预测步骤与负荷预测类似，步骤如下：
首先按照步骤(1.1)中数据归一化公式进行数据归一化，然后搭建LSTM网络模型进行训练。训练数据为一周ti～ti+7连续的7*24个点的光伏输出功率数据，测试数据为一周之后的第一天ti+8的24个整点的光伏输出功率数据。模型训练完成后，进行日前光伏输出功率数据的预测。
S2、模拟用户行为形成柔性负荷功率数据，基于预测出的用户总负荷基础上获取用户基本负荷。
(2.1)电动汽车
不考虑电动汽车放电参与电网调度，而只满足用户出行使用需求，模拟构建五种电动汽车充电行为，分别为：
Figure BDA0003664198530000022
Figure BDA0003664198530000023
Figure BDA0003664198530000024
Figure BDA0003664198530000031
Figure BDA0003664198530000032
其中，一二类充电行为遵循慢充模式，充电功率为3kW，分别为19时到次日凌晨1时充电与21时至次日凌晨3时充电。三四五类遵循快充模式，充电功率为6kW，分别为19时至21时，21时至23时，及凌晨6时至8时充电。该五类充电模式设置的理由如下：其中一二类符合慢充习惯，19时及21时开始充电是为了模拟不同的到家时间。三四五类符合家中装有快充充电桩的用户，19时及21时开始充电是为了模拟不同的到家时间，以及第五类是为了模拟次日早晨临时进行充电的场景。
(2.2)空调负荷
当采用恒温控制方式时，空调功率公式可通过下式计算：
Figure BDA0003664198530000033
式中Pi ac(t)为用户i在t时刻的空调功率，
Figure BDA0003664198530000034
为用户i在t时刻的温度设定值，ηi为空调能效系数，T(t)为t时刻的室外温度，Ri为空调热电阻。
(2.3)用户基本负荷
在用户总负荷的基础上，分别减去模拟用户行为的电动汽车与空调功率。
Figure BDA0003664198530000035
Pi base(t)为用户i在t时刻的基本负荷，Pi F(t)为用户i的预测负荷值，Pj c(t)表示模拟用户行为的电动汽车充电功率，j表示充电行为，Nj表示各类行为的电动汽车台数。
S3、其次，考虑负荷运行条件约束构建电动汽车与空调的柔性负荷模型。
(3.1)电动汽车
电动汽车是一种潜力巨大的可中断可移动负载。充分利用可入网电动汽车的储能功能和备用功能可满足各类电网调度需求。电动汽车充电和电动汽车运行模型如下所示：
Figure BDA0003664198530000036
Figure BDA0003664198530000037
Figure BDA0003664198530000038
Figure BDA0003664198530000041
Figure BDA0003664198530000042
Figure BDA0003664198530000043
式中，Ei(t)为电动汽车能量，Pi c(t)，Pi d(t)，
Figure BDA0003664198530000044
和
Figure BDA0003664198530000045
分别为电动汽车i在t时刻的充放电功率、充放电系数。Ei(t)受上下限
Figure BDA0003664198530000046
和
Figure BDA0003664198530000047
的限制。充放电功率Pi c(t)和Pi d(t)受最大充电功率Pmax制约，
Figure BDA0003664198530000048
充电指示(充电为1，放电为0)和
Figure BDA0003664198530000049
调度指示
Figure BDA00036641985300000410
时为1，其中
Figure BDA00036641985300000411
和
Figure BDA00036641985300000412
为电动汽车i的到达时间和出发时间)。最后两个式子表示电动汽车行驶时的能量需求，其中出发时间的能量
Figure BDA00036641985300000413
必须大于d日旅行所需的能量
Figure BDA00036641985300000414
分配在出行期间，
Figure BDA00036641985300000415
用于t时刻的出行。其中，
Figure BDA00036641985300000416
只能在
Figure BDA00036641985300000417
的出行期间为正。
(3.2)空调
空调负荷是一种经典的恒温控制负载，它被认为是一个不可中断和不可转移的负载，对空调的合理调控能够有效缓解供需不平衡，提高电力系统综合运营效率，实现资源优化配置。
建立空调负荷(冷却模式)模型如下:
Figure BDA00036641985300000418
0≤Pi ac(t)≤Pi acmax
Figure BDA00036641985300000419
Figure BDA00036641985300000420
式中
Figure BDA00036641985300000421
T(t)分别为用户i在t时刻的室内温度和室外温度。ηi为空调能效系数，Pi ac(t)为空调功率，Pi acmax为额定功率，βi为空调制冷参数，Ci、Ri分别为空调热电容和热电阻。
Figure BDA00036641985300000422
是空调运行状态指示器，空调运行采用滞回控制，
Figure BDA00036641985300000423
是用户设定的温度，ε是带宽(表示温度偏移设置值
Figure BDA00036641985300000424
的多少)，当室内温度大于容忍最高值
Figure BDA00036641985300000425
为1，表示空调开始运行降温，当室内温度低于
Figure BDA00036641985300000426
时，空调停止工作，等到室内温度由于和室外热传导导致室内温度升高到容忍最高值
Figure BDA00036641985300000427
后重新开始工作。根据第一个公式，下一时刻的室内温度由当前室内温度、室外温度、空调参数、空调功率和用户温度设定值多个因素决定。
S4、接着，构建配电网三相不平衡指标，基于不同能源碳排放因子构建配电网碳排放指标。
配电网三相不平衡是由于三相不平衡负载或单相负载、单相光伏等多种原因造成的。由于三相负载不平衡(三相负载阻值不相等)，造成三相平衡电压加在三相不平衡负载上的三相电流不平衡，造成零序电流的产生(不接地系统)或产生流过中性线上的电流(接地系统)，会增加配电网网损。因此，本权利要求将三相不平衡指标设定为配电网网损，公式如下：
Figure BDA0003664198530000051
Ploss(t)为t时刻配电网网损值，通过线路电流Iline(t)与线路电阻rline进行计算。线路电阻 rline为给定参数，线路电流Iline(t)通过配电网潮流计算得到，通过步骤S6中所述的配电网潮流仿真软件进行求解。
配电网碳排放指标可通过不同时刻在台区变压器处的电碳因子来计算，公式可表示为：
Figure BDA0003664198530000052
Figure BDA0003664198530000053
Ratior(t)为某一种能源r发电在t时刻该台区总电量占的比例，Cr(t)为能源r的碳排放因子。能源种类包括火力发电(1.2)、光伏发电(0.025)、风电(0.01)、核电(0.07)、水电(0.02) 括号内为各能源对应的碳排放因子。碳排放指标CE(t)可表示为台区变压器处电碳因子与所有用户用电量Pi(t)和的乘积。
S5、然后，融合配电网三相不平衡治理目标与降低配电网碳排放量目标构建多目标优化模型。
Figure BDA0003664198530000061
Figure BDA0003664198530000062
Figure BDA0003664198530000063
Figure BDA0003664198530000064
Pi(t)＝Pi base(t)+Pi c,opt(t)-Pi d,opt(t)+Pi ac,opt(t)
Figure BDA0003664198530000065
Figure BDA0003664198530000066
Figure BDA0003664198530000067
Figure BDA0003664198530000068
Figure BDA0003664198530000069
Figure BDA00036641985300000610
Figure BDA00036641985300000611
0≤Pi ac(t)≤Pi acmax
Figure BDA00036641985300000612
Figure BDA00036641985300000613
其中，Ploss(t)与CE(t)为步骤4中构建的配电网三相不平衡指标与配电网碳排放指标，Pi(t)为t时刻用户i的基本负荷加上电动汽车充放电优化值Pi c,opt(t)与Pi d,opt(t)及空调设定优化温度后的功率值Pi ac,opt(t)。目标为最优Ploss(t)与CE(t)这两个指标。该优化模型受到电动汽车与空调的负荷模型约束。
S6、最后，通过启发式优化算法联合配电网潮流仿真软件进行优化问题的求解，以降低配电网网损与碳排放。
其中，优化算法中，决策变量为电动汽车充放电功率Pi c,opt(t)与Pi d,opt(t)。注意这两个量只有一个为正值，其余一个为零(充放电不能同时进行)。此外，决策变量还包括空调的功率 Pi ac,opt(t)。变量维度为72，共三类决策变量Pi c,opt(t)Pi d,opt(t)Pi ac,opt(t)，一天24个点。由于变量维度较大，且该问题是非线性规划问题，因为配电网网损需要通过配电网潮流计算获取。因此，采用启发式算法在有限时间内求取较优解。启发算法的方式不限，可采用遗传算法、粒子群算法，实施例中采用遗传算法进行求解，但本权利要求不仅限于此种算法。
将算法在优化过程中产生的解输入配电网潮流仿真软件进行求解，获取网损，计算碳排放指标并作为目标函数及时反馈到优化算法中，进行解集的更新，直至达到最大求解周期(通常设为50，100，500)，最终获取优化的电动汽车充放电策略与空调的用电控制策略。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)相比较传统配电网三相不平衡治理措施通过电源侧的控制、增加电压控制装置等，本方案利用现有的需求响应资源，不需额外装置成本。且相比较人工调相时间周期长、无法及时进行控制、过程繁琐，该方案能够根据日前负荷预测及新能源出力预测结果，通过日前制订第二天的柔性负荷的需求响应策略，能够在成本限制范围内最大程度的降低配电网三相不平衡度。
(2)在调度需求响应资源时，充分考虑用户舒适度限制，能够在满足用户舒适度前提下，充分挖掘柔性负荷的调节潜力，相应电网调度目标。
(3)综合考虑了碳排放目标，能够在以往配电网三相不平衡治理的基础上同时推动配电网的节能减排。
附图说明
图1是方法流程图；
图2是某天光伏预测结果；
图3是配电网网损值对比；
图4是碳排放指标对比；
图5是电动汽车电量曲线；
图6是室内温度曲线。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
本发明一种需求响应参与配电网三相不平衡与碳排放治理方法，其具体步骤如下：
S1、首先，进行日前的负荷及新能源出力预测。
(1.1)基于家庭用户的总功率数据进行负荷预测。步骤如下：首先进行用户每天每小时一个点的功率数据处理，对于缺失值选用前后时刻的均值进行缺失值填补，并进行数据归一化。数据归一化公式如下：
Figure BDA0003664198530000071
其中Xnorm为标准化后的值，X为当前值，Xmax为数据中的最大值，Xmin为数据中的最小值。
选用深度学习LSTM网络模型进行训练。其中，训练数据为一周ti～ti+7连续的7*24个点的功率数据，测试数据为一周之后的第一天ti+8的24个整点的功率数据。模型训练完成后，对需要进行控制的日期进行日前负荷数据的预测。
(1.2)本权利要求所指新能源指的是光伏发电，对光伏出力的功率数据进行预测。光伏数据指的是每天每小时的光伏输出功率。预测步骤与负荷预测类似，步骤如下：
首先按照步骤(1.1)中数据归一化公式进行数据归一化，然后搭建LSTM网络模型进行训练。训练数据为一周ti～ti+7连续的7*24个点的光伏输出功率数据，测试数据为一周之后的第一天ti+8的24个整点的光伏输出功率数据。模型训练完成后，进行日前光伏输出功率数据的预测。
S2、模拟用户行为形成柔性负荷功率数据，基于预测出的用户总负荷基础上获取用户基本负荷。
(2.1)电动汽车
不考虑电动汽车放电参与电网调度，而只满足用户出行使用需求，模拟构建五种电动汽车充电行为，分别为：
Figure BDA0003664198530000081
Figure BDA0003664198530000082
Figure BDA0003664198530000083
Figure BDA0003664198530000084
Figure BDA0003664198530000085
其中，一二类充电行为遵循慢充模式，充电功率为3kW，分别为19时到次日凌晨1时充电与21时至次日凌晨3时充电。三四五类遵循快充模式，充电功率为6kW，分别为19时至21时，21时至23时，及凌晨6时至8时充电。该五类充电模式设置的理由如下：其中一二类符合慢充习惯，19时及21时开始充电是为了模拟不同的到家时间。三四五类符合家中装有快充充电桩的用户，19时及21时开始充电是为了模拟不同的到家时间，以及第五类是为了模拟次日早晨临时进行充电的场景。
(2.2)空调负荷
当采用恒温控制方式时，空调功率公式可通过下式计算：
Figure BDA0003664198530000091
式中Pi ac(t)为用户i在t时刻的空调功率，
Figure BDA0003664198530000092
为用户i在t时刻的温度设定值，ηi为空调能效系数，T(t)为t时刻的室外温度，Ri为空调热电阻。
(2.3)用户基本负荷
在用户总负荷的基础上，分别减去模拟用户行为的电动汽车与空调功率。
Figure BDA0003664198530000093
Pi base(t)为用户i在t时刻的基本负荷，Pi F(t)为用户i的预测负荷值，
Figure BDA0003664198530000094
表示模拟用户行为的电动汽车充电功率，j表示充电行为，Nj表示各类行为的电动汽车台数。
S3、其次，考虑负荷运行条件约束构建电动汽车与空调的柔性负荷模型。
(3.1)电动汽车
电动汽车是一种潜力巨大的可中断可移动负载。充分利用可入网电动汽车的储能功能和备用功能可满足各类电网调度需求。电动汽车充电和电动汽车运行模型如下所示：
Figure BDA0003664198530000095
Figure BDA0003664198530000096
Figure BDA0003664198530000097
Figure BDA0003664198530000098
Figure BDA0003664198530000099
Figure BDA00036641985300000910
式中，Ei(t)为电动汽车能量，Pi c(t)，Pi d(t)，
Figure BDA00036641985300000911
和
Figure BDA00036641985300000912
分别为电动汽车i在t时刻的充放电功率、充放电系数。Ei(t)受上下限
Figure BDA00036641985300000913
和
Figure BDA00036641985300000914
的限制。充放电功率Pi c(t)和Pi d(t)受最大充电功率Pmax制约，
Figure BDA00036641985300000915
充电指示(充电为1，放电为0)和
Figure BDA00036641985300000916
调度指示
Figure BDA00036641985300000917
时为1，其中
Figure BDA00036641985300000918
和
Figure BDA00036641985300000919
为电动汽车i的到达时间和出发时间)。最后两个式子表示电动汽车行驶时的能量需求，其中出发时间的能量
Figure BDA00036641985300000920
必须大于d日旅行所需的能量
Figure BDA00036641985300000921
分配在出行期间，
Figure BDA0003664198530000101
用于t时刻的出行。其中，
Figure BDA0003664198530000102
只能在
Figure BDA0003664198530000103
的出行期间为正。
(3.2)空调
空调负荷是一种经典的恒温控制负载，它被认为是一个不可中断和不可转移的负载，对空调的合理调控能够有效缓解供需不平衡，提高电力系统综合运营效率，实现资源优化配置。
建立空调负荷(冷却模式)模型如下:
Figure BDA0003664198530000104
Figure BDA0003664198530000105
Figure BDA0003664198530000106
Figure BDA0003664198530000107
式中
Figure BDA0003664198530000108
T(t)分别为用户i在t时刻的室内温度和室外温度。ηi为空调能效系数，Pi ac(t)为空调功率，Pi acmax为额定功率，βi为空调制冷参数，Ci、Ri分别为空调热电容和热电阻。
Figure BDA0003664198530000109
是空调运行状态指示器，空调运行采用滞回控制，
Figure BDA00036641985300001010
是用户设定的温度，ε是带宽(表示温度偏移设置值
Figure BDA00036641985300001011
的多少)，当室内温度大于容忍最高值
Figure BDA00036641985300001012
为1，表示空调开始运行降温，当室内温度低于
Figure BDA00036641985300001013
时，空调停止工作，等到室内温度由于和室外热传导导致室内温度升高到容忍最高值
Figure BDA00036641985300001014
后重新开始工作。根据第一个公式，下一时刻的室内温度由当前室内温度、室外温度、空调参数、空调功率和用户温度设定值多个因素决定。
S4、接着，构建配电网三相不平衡指标，基于不同能源碳排放因子构建配电网碳排放指标。
配电网三相不平衡是由于三相不平衡负载或单相负载、单相光伏等多种原因造成的。由于三相负载不平衡(三相负载阻值不相等)，造成三相平衡电压加在三相不平衡负载上的三相电流不平衡，造成零序电流的产生(不接地系统)或产生流过中性线上的电流(接地系统)，会增加配电网网损。因此，本权利要求将三相不平衡指标设定为配电网网损，公式如下：
Figure BDA00036641985300001015
Ploss(t)为t时刻配电网网损值，通过线路电流Iline(t)与线路电阻rline进行计算。线路电阻rline为给定参数，线路电流Iline(t)通过配电网潮流计算得到，通过步骤S6中所述的配电网潮流仿真软件进行求解。
配电网碳排放指标可通过不同时刻在台区变压器处的电碳因子来计算，公式可表示为：
Figure BDA0003664198530000111
Figure BDA0003664198530000112
Ratior(t)为某一种能源r发电在t时刻该台区总电量占的比例，Cr(t)为能源r的碳排放因子。能源种类包括火力发电(1.2)、光伏发电(0.025)、风电(0.01)、核电(0.07)、水电(0.02) 括号内为各能源对应的碳排放因子。碳排放指标CE(t)可表示为台区变压器处电碳因子与所有用户用电量Pi(t)和的乘积。
S5、然后，融合配电网三相不平衡治理目标与降低配电网碳排放量目标构建多目标优化模型。
Figure BDA0003664198530000113
Figure BDA0003664198530000114
Figure BDA0003664198530000115
Figure BDA0003664198530000116
Pi(t)＝Pi base(t)+Pi c,opt(t)-Pi d,opt(t)+Pi ac,opt(t)
Figure BDA0003664198530000117
Figure BDA0003664198530000118
Figure BDA0003664198530000119
Figure BDA00036641985300001110
Figure BDA00036641985300001111
Figure BDA00036641985300001112
Figure BDA00036641985300001113
0≤Pi ac(t)≤Pi acmax
Figure BDA00036641985300001114
Figure BDA00036641985300001115
其中，Ploss(t)与CE(t)为步骤4中构建的配电网三相不平衡指标与配电网碳排放指标，Pi(t)为t时刻用户i的基本负荷加上电动汽车充放电优化值Pi c,opt(t)与Pi d,opt(t)及空调设定优化温度后的功率值Pi ac,opt(t)。目标为最优Ploss(t)与CE(t)这两个指标。该优化模型受到电动汽车与空调的负荷模型约束。
S6、最后，通过启发式优化算法联合配电网潮流仿真软件进行优化问题的求解，以降低配电网网损与碳排放。
其中，优化算法中，决策变量为电动汽车充放电功率Pi c,opt(t)与Pi d,opt(t)。注意这两个量只有一个为正值，其余一个为零(充放电不能同时进行)。此外，决策变量还包括空调的功率 Pi ac,opt(t)。变量维度为72，共三类决策变量Pi c,opt(t)Pi d,opt(t)Pi ac,opt(t)，一天24个点。由于变量维度较大，且该问题是非线性规划问题，因为配电网网损需要通过配电网潮流计算获取。因此，采用启发式算法在有限时间内求取较优解。启发算法的方式不限，可采用遗传算法、粒子群算法，实施例中采用遗传算法进行求解，但本权利要求不仅限于此种算法。
将算法在优化过程中产生的解输入配电网潮流仿真软件进行求解，获取网损，计算碳排放指标并作为目标函数及时反馈到优化算法中，进行解集的更新，直至达到最大求解周期(通常设为50，100，500)，最终获取优化的电动汽车充放电策略与空调的用电控制策略。
本发明采取IEEE标准13节点系统对所提出的方法进行验证。光伏数据来源于IEEE官网数据。
(1)首先对光伏进行预测，其中一天的光伏预测结果如图2所示；
一天的平均误差为9％。
由于负荷数据涉及到隐私，此处不予展示。
(2)优化结果：
电动汽车及空调参数说明以及各节点处的电动汽车及空调数量如下：
Figure BDA0003664198530000121
Figure BDA0003664198530000131
Figure BDA0003664198530000132
通过设定遗传算法200个种群，50次迭代，得到优化后的目标结果。其中优化前后的配电网网损值对比如图3所示。优化前后的碳排放指标对比如图4所示。电动汽车电量曲线如图5所示；可以看出电动汽车满足出行条件及电量需求。室内温度曲线如下图6所示；可以看出内温度也满足条件。

Claims (7)

1.一种需求响应参与配电网三相不平衡与碳排放治理方法，其特征在于，包括以下步骤：
S1：进行日前的负荷及新能源出力预测；
S2：模拟用户行为形成柔性负荷功率数据，基于预测出的用户总负荷基础上获取用户基本负荷；
S3：考虑负荷运行条件约束构建电动汽车与空调的柔性负荷模型；
S4：构建配电网三相不平衡指标，基于不同能源碳排放因子构建配电网碳排放指标；
S5：融合配电网三相不平衡治理目标与降低配电网碳排放量目标构建多目标优化模型；
S6：通过启发式优化算法联合配电网潮流仿真软件进行优化问题的求解，以降低配电网网损与碳排放。
2.根据权利要求1所述的一种需求响应参与配电网三相不平衡与碳排放治理方法，其特征在于，所述步骤S1具体包括以下步骤：
(1.1)基于家庭用户的总功率数据进行负荷预测；步骤如下：首先进行用户每天每小时一个点的功率数据处理，对于缺失值选用前后时刻的均值进行缺失值填补，并进行数据归一化，数据归一化公式如下：
Figure FDA0003664198520000011
其中Xnorm为标准化后的值，X为当前值，Xmax为数据中的最大值，Xmin为数据中的最小值；
选用深度学习LSTM网络模型进行训练；其中，训练数据为一周ti～ti+7连续的7*24个点的功率数据，测试数据为一周之后的第一天ti+8的24个整点的功率数据；模型训练完成后，对需要进行控制的日期进行日前负荷数据的预测；
(1.2)所述新能源是光伏发电，对光伏出力的功率数据进行预测，光伏数据是每天每小时的光伏输出功率，其预测步骤如下：首先按照步骤(1.1)中数据归一化公式进行数据归一化，然后搭建LSTM网络模型进行训练；训练数据为一周ti～ti+7连续的7*24个点的光伏输出功率数据，测试数据为一周之后的第一天ti+8的24个整点的光伏输出功率数据；模型训练完成后，进行日前光伏输出功率数据的预测。
3.根据权利要求2所述的一种需求响应参与配电网三相不平衡与碳排放治理方法，其特征在于，所述步骤S2具体包括以下步骤：
(2.1)电动汽车
不考虑电动汽车放电参与电网调度，而只满足用户出行使用需求，模拟构建五种电动汽车充电行为，分别为：
Figure FDA0003664198520000021
Figure FDA0003664198520000022
Figure FDA0003664198520000023
Figure FDA0003664198520000024
Figure FDA0003664198520000025
其中，一二类充电行为遵循慢充模式，充电功率为3kW，分别为19时到次日凌晨1时充电与21时至次日凌晨3时充电；三四五类遵循快充模式，充电功率为6kW，分别为19时至21时，21时至23时，及凌晨6时至8时充电；该五类充电模式设置的理由如下：其中一二类符合慢充习惯，19时及21时开始充电是为了模拟不同的到家时间；三四五类符合家中装有快充充电桩的用户，19时及21时开始充电是为了模拟不同的到家时间，以及第五类是为了模拟次日早晨临时进行充电的场景；
(2.2)空调负荷
当采用恒温控制方式时，空调功率公式可通过下式计算：
Figure FDA0003664198520000026
式中Pi ac(t)为用户i在t时刻的空调功率，
Figure FDA0003664198520000027
为用户i在t时刻的温度设定值，ηi为空调能效系数，T(t)为t时刻的室外温度，Ri为空调热电阻；
(2.3)用户基本负荷
在用户总负荷的基础上，分别减去模拟用户行为的电动汽车与空调功率；
Figure FDA0003664198520000028
Pi base(t)为用户i在t时刻的基本负荷，Pi F(t)为用户i的预测负荷值，
Figure FDA0003664198520000029
表示模拟用户行为的电动汽车充电功率，j表示充电行为，Nj表示各类行为的电动汽车台数。
4.根据权利要求3所述的一种需求响应参与配电网三相不平衡与碳排放治理方法，其特征在于，所述步骤S3具体包括以下步骤：
(3.1)电动汽车
电动汽车是一种潜力巨大的可中断可移动负载，充分利用可入网电动汽车的储能功能和备用功能可满足各类电网调度需求，电动汽车充电和电动汽车运行模型如下所示：
Figure FDA0003664198520000031
Figure FDA0003664198520000032
Figure FDA00036641985200000323
Figure FDA0003664198520000033
Figure FDA0003664198520000034
Figure FDA0003664198520000035
式中，Ei(t)为电动汽车能量，Pi c(t)，Pi d(t)，
Figure FDA0003664198520000036
和
Figure FDA0003664198520000037
分别为电动汽车i在t时刻的充放电功率、充放电系数；Ei(t)受上下限
Figure FDA0003664198520000038
和
Figure FDA0003664198520000039
的限制；充放电功率Pi c(t)和Pi d(t)受最大充电功率Pmax制约，
Figure FDA00036641985200000310
充电指示(充电为1，放电为0)和
Figure FDA00036641985200000311
调度指示(
Figure FDA00036641985200000312
时为1，其中
Figure FDA00036641985200000313
和
Figure FDA00036641985200000314
为电动汽车i的到达时间和出发时间)；最后两个式子表示电动汽车行驶时的能量需求，其中出发时间的能量
Figure FDA00036641985200000315
必须大于d日旅行所需的能量
Figure FDA00036641985200000316
分配在出行期间，
Figure FDA00036641985200000317
用于t时刻的出行；其中，
Figure FDA00036641985200000318
只能在
Figure FDA00036641985200000319
的出行期间为正；(3.2)空调
空调负荷是一种经典的恒温控制负载，它被认为是一个不可中断和不可转移的负载，对空调的合理调控能够有效缓解供需不平衡，提高电力系统综合运营效率，实现资源优化配置；
建立空调负荷冷却模式模型如下:
Figure FDA00036641985200000320
0≤Pi ac(t)≤Pi acmax
Figure FDA00036641985200000321
Figure FDA00036641985200000322
式中
Figure FDA0003664198520000041
T(t)分别为用户i在t时刻的室内温度和室外温度；ηi为空调能效系数，Pi ac(t)为空调功率，Pi acmax为额定功率，βi为空调制冷参数，Ci、Ri分别为空调热电容和热电阻；
Figure FDA0003664198520000042
是空调运行状态指示器，空调运行采用滞回控制，
Figure FDA0003664198520000043
是用户设定的温度，ε是带宽，用于表示温度偏移设置值
Figure FDA0003664198520000044
的多少，当室内温度大于容忍最高值
Figure FDA0003664198520000045
Figure FDA00036641985200000411
为1，表示空调开始运行降温，当室内温度低于
Figure FDA0003664198520000046
时，空调停止工作，等到室内温度由于和室外热传导导致室内温度升高到容忍最高值
Figure FDA0003664198520000047
后重新开始工作；下一时刻的室内温度由当前室内温度、室外温度、空调参数、空调功率和用户温度设定值多个因素决定。
5.根据权利要求4所述的一种需求响应参与配电网三相不平衡与碳排放治理方法，其特征在于，所述步骤S4具体包括以下步骤：
配电网三相不平衡是由于三相不平衡负载或单相负载、单相光伏多种原因造成的；由于三相负载不平衡，造成三相平衡电压加在三相不平衡负载上的三相电流不平衡，造成零序电流的产生或产生流过中性线上的电流，会增加配电网网损；因此，将三相不平衡指标设定为配电网网损，公式如下：
Figure FDA0003664198520000048
Ploss(t)为t时刻配电网网损值，通过线路电流Iline(t)与线路电阻rline进行计算；线路电阻rline为给定参数，线路电流Iline(t)通过配电网潮流计算得到，通过步骤S6中所述的配电网潮流仿真软件进行求解；
配电网碳排放指标通过不同时刻在台区变压器处的电碳因子来计算，公式表示为：
Figure FDA0003664198520000049
Figure FDA00036641985200000410
Ratior(t)为某一种能源r发电在t时刻该台区总电量占的比例，Cr(t)为能源r的碳排放因子；能源种类包括火力发电、光伏发电、风电、核电、水电，各能源对应的碳排放因子依次为1.2、0.025、0.01、0.07、0.02；碳排放指标CE(t)表示为台区变压器处电碳因子与所有用户用电量Pi(t)和的乘积。
6.根据权利要求5所述的一种需求响应参与配电网三相不平衡与碳排放治理方法，其特征在于，所述步骤S5具体包括以下步骤：
Figure FDA0003664198520000051
Figure FDA0003664198520000052
Figure FDA0003664198520000053
Figure FDA0003664198520000054
Pi(t)＝Pi base(t)+Pi c,opt(t)-Pi d,opt(t)+Pi ac,opt(t)
Figure FDA0003664198520000055
Figure FDA0003664198520000056
Figure FDA0003664198520000057
Figure FDA0003664198520000058
Figure FDA0003664198520000059
Figure FDA00036641985200000510
Figure FDA00036641985200000511
0≤Pi ac(t)≤Pi acmax
Figure FDA00036641985200000512
Figure FDA00036641985200000513
其中，Ploss(t)与CE(t)为步骤S4中构建的配电网三相不平衡指标与配电网碳排放指标，Pi(t)为t时刻用户i的基本负荷加上电动汽车充放电优化值Pi c,opt(t)与Pi d,opt(t)及空调设定优化温度后的功率值Pi ac,opt(t)；目标为最优Ploss(t)与CE(t)这两个指标；该优化模型受到电动汽车与空调的负荷模型约束。
7.根据权利要求6所述的一种需求响应参与配电网三相不平衡与碳排放治理方法，其特征在于，所述步骤S6具体包括以下步骤：
优化算法中，决策变量为电动汽车充放电功率Pi c,opt(t)与Pi d,opt(t)；这两个量只有一个为正值，其余一个为零；此外，决策变量还包括空调的功率Pi ac,opt(t)；变量维度为72，共三类决策变量Pi c,opt(t)Pi d,opt(t)Pi ac,opt(t)，一天24个点；由于变量维度较大，且是非线性规划问题，因为配电网网损需要通过配电网潮流计算获取；因此，采用启发式算法在有限时间内求取较优解；启发算法的方式不限，采用遗传算法或粒子群算法；
将算法在优化过程中产生的解输入配电网潮流仿真软件进行求解，获取网损，计算碳排放指标并作为目标函数及时反馈到优化算法中，进行解集的更新，直至达到最大求解周期，最终获取优化的电动汽车充放电策略与空调的用电控制策略。
CN202210581792.0A 2022-05-26 2022-05-26 一种需求响应参与配电网三相不平衡与碳排放治理方法 Pending CN114865664A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210581792.0A CN114865664A (zh) 2022-05-26 2022-05-26 一种需求响应参与配电网三相不平衡与碳排放治理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210581792.0A CN114865664A (zh) 2022-05-26 2022-05-26 一种需求响应参与配电网三相不平衡与碳排放治理方法

Publications (1)

Publication Number Publication Date
CN114865664A true CN114865664A (zh) 2022-08-05

Family

ID=82641435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210581792.0A Pending CN114865664A (zh) 2022-05-26 2022-05-26 一种需求响应参与配电网三相不平衡与碳排放治理方法

Country Status (1)

Country Link
CN (1) CN114865664A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115329600A (zh) * 2022-09-06 2022-11-11 东南大学溧阳研究院 一种基于柔性负荷的多时间尺度配电网降损方法
CN116231657A (zh) * 2023-05-09 2023-06-06 国网浙江省电力有限公司 一种输配电网全局碳流分布式确定方法及装置
CN116316647A (zh) * 2022-09-08 2023-06-23 东南大学溧阳研究院 一种基于模型预测控制的配电网实时碳排放优化控制方法
CN116579902A (zh) * 2023-04-07 2023-08-11 南京电力设计研究院有限公司 数字化园区电碳数据映射方法、系统、设备及存储介质
CN117117844A (zh) * 2023-08-16 2023-11-24 北京市计量检测科学研究院 电网碳排因子计算方法、系统、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870888A (zh) * 2014-03-10 2014-06-18 国家电网公司 一种电动汽车负荷预测方法
CN110288271A (zh) * 2019-07-11 2019-09-27 北京全来电科技有限公司 一种基于模型预测控制的台区级充电负荷调控策略及方法
CN110601224A (zh) * 2019-09-03 2019-12-20 华南理工大学 基于家庭温控负荷的低压台区电压三相不平衡调节方法
CN114123294A (zh) * 2021-10-22 2022-03-01 杭州电子科技大学 考虑三相不平衡的多目标光伏单相并网容量规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870888A (zh) * 2014-03-10 2014-06-18 国家电网公司 一种电动汽车负荷预测方法
CN110288271A (zh) * 2019-07-11 2019-09-27 北京全来电科技有限公司 一种基于模型预测控制的台区级充电负荷调控策略及方法
CN110601224A (zh) * 2019-09-03 2019-12-20 华南理工大学 基于家庭温控负荷的低压台区电压三相不平衡调节方法
CN114123294A (zh) * 2021-10-22 2022-03-01 杭州电子科技大学 考虑三相不平衡的多目标光伏单相并网容量规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄杰等: "基于碳排放态势推演的电网碳资产管理策略分析", 《全球能源互联网》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115329600A (zh) * 2022-09-06 2022-11-11 东南大学溧阳研究院 一种基于柔性负荷的多时间尺度配电网降损方法
CN116316647A (zh) * 2022-09-08 2023-06-23 东南大学溧阳研究院 一种基于模型预测控制的配电网实时碳排放优化控制方法
CN116316647B (zh) * 2022-09-08 2023-11-07 东南大学溧阳研究院 一种基于模型预测控制的配电网实时碳排放优化控制方法
CN116579902A (zh) * 2023-04-07 2023-08-11 南京电力设计研究院有限公司 数字化园区电碳数据映射方法、系统、设备及存储介质
CN116579902B (zh) * 2023-04-07 2023-12-12 南京电力设计研究院有限公司 数字化园区电碳数据映射方法、系统、设备及存储介质
CN116231657A (zh) * 2023-05-09 2023-06-06 国网浙江省电力有限公司 一种输配电网全局碳流分布式确定方法及装置
CN116231657B (zh) * 2023-05-09 2023-09-29 国网浙江省电力有限公司 一种输配电网全局碳流分布式确定方法及装置
CN117117844A (zh) * 2023-08-16 2023-11-24 北京市计量检测科学研究院 电网碳排因子计算方法、系统、计算机设备及存储介质
CN117117844B (zh) * 2023-08-16 2024-07-30 北京市计量检测科学研究院 电网碳排因子计算方法、系统、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
Liu et al. Energy planning of renewable applications in high-rise residential buildings integrating battery and hydrogen vehicle storage
CN114865664A (zh) 一种需求响应参与配电网三相不平衡与碳排放治理方法
CN103840457B (zh) 考虑电动汽车充放电影响的配电网内dg优化配置方法
Alabi et al. Improved hybrid inexact optimal scheduling of virtual powerplant (VPP) for zero-carbon multi-energy system (ZCMES) incorporating Electric Vehicle (EV) multi-flexible approach
CN107230984B (zh) 一种电力需求响应参与配电网电压调节的方法及控制系统
Xu et al. Optimal allocation of power supply systems in industrial parks considering multi-energy complementarity and demand response
CN108039722B (zh) 一种适用于交直流混合的分布式可再生能源系统优化配置方法
CN109657993A (zh) 一种基于非合作博弈的能源局域网储能系统自动需求响应方法
CN114243795A (zh) 一种典型充电站综合能源协同交互优化配置方法及系统
CN112086980B (zh) 考虑充电桩接入的公用配电变压器定容选型方法与系统
CN107490960A (zh) 基于智能家电在线需求响应潜力的双层协调优化方法
CN104143839A (zh) 基于功率预测的风电场集群限出力有功功率分配方法
Kumar et al. Leveraging energy flexibilities for enhancing the cost-effectiveness and grid-responsiveness of net-zero-energy metro railway and station systems
Xu et al. A co-ordinated dispatch model for electricity and heat in a Microgrid via particle swarm optimization
Wu et al. Battery energy storage system (bess) sizing analysis of bess-assisted fast-charge station based on double-layer optimization method
Yang et al. Enhancing utilization of PV energy in building microgrids via autonomous demand response
Yin et al. Optimal scheduling of electric vehicle integrated energy station using a novel many-objective stochastic competitive optimization algorithm
Yin et al. Study on optimal scheduling strategy of electric vehicles clusters in distribution power grid
CN111160618A (zh) 一种结合电动汽车充电场站的建筑能量优化调度方法
Lei et al. Coordinated scheduling of electric vehicles and wind power generation considering vehicle to grid mode
CN114819251A (zh) 一种基于配电网网格的多元负荷弹性预测方法
Ding et al. Learning-Based Building Flexibility Estimation and Control to Improve Microgrid Economics and Resilience
CN112087041A (zh) 一种光伏全电厨房及能量管理优化系统
CN113036751A (zh) 一种考虑虚拟储能的可再生能源微电网优化调度方法
Feijoo-Arostegui et al. Design and validation of a predictive energy management strategy for self-consumption in tertiary buildings

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20220805

RJ01 Rejection of invention patent application after publication